CC BY
1
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Научная статья УДК 159.9:343.825
doi: 10.33463/2072-8336.2023.4(65).016-024
ПРОГНОЗИРОВАНИЕ ИСПРАВЛЕНИЯ ОСУЖДЕННЫХ НА ОСНОВЕ ПСИХОЛОГИЧЕСКИХ КРИТЕРИЕВ
Григорий Викторович Щербаков1, Денис Алексеевич Курдин2
1 ФКУ НИИ ФСИН России, г Москва, Россия, gregoralt@yandex.ru, https://oгcid. огд/0000-0002-5969-8509
2 Академия ФСИН России, г Рязань, Россия, dnskurdin@gmail.com, https://orcid. огд/0000-0002-9292-7342
Аннотация. В статье рассматриваются применение нейронных сетей в деятельности психологического прогнозирования исправления осужденных, теори-тическое обоснование критериев исправления осужденных, а также внедрения новых методов диагностики в психологических исследованиях. Теоретическая часть статьи опирается на нормы Уголовно-исполнительного кодекса Российской Федерации. Определение исправления осужденного, данное в нем, позволяет сделать выборку для исследования. Выбор метода исследования и его обоснование обусловлены необходимостью внедрения новых цифровых методов работы в соответствии с Концепцией развития уголовно-исполнительной системы до 2030 года. В эмпирической части описывается исследование критериев исправления осужденных. Создаются группы, в каждой из которых проводится психодиагностическое обследование. На основе его результатов была обучена искусственная нейронная сеть и создан инструмент прогноза исправления осужденных.
Ключевые слова: психологическое исследование, искусственная нейронная сеть, критерии исправления, осужденные, психологическое тестирование, психологическое сопровождение
Для цитирования
Щербаков Г. В., Курдин Д. А. Прогнозирование исправления осужденных на основе психологических критериев // Прикладная юридическая психология. 2023. № 4(65). С. 16-24. DOI: 10.33463/2072-8336.2023.4(65).016-024.
© Щербаков Г. В., Курдин Д. А., 2023
/й)®®@ Статья лицензируется в соответствии с лицензией Creative Commons by nc sa Attribution-NonCommercial-ShareAlike 4.0
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Original article
FORECASTING THE CORRECTION OF CONVICTS BASED
Grigorij Viktorovich Shherbakov1, Denis Alekseevich Kurdin2
1 FKU Research Institute of the FPS of Russia, Moscow, Russia, gregoralt@yandex.ru, https://orcid.org/0000-0002-5969-8509
2 Academy of the FPS of Russia, Ryazan, Russia, dnskurdin@gmail.com. https://orcid. org/0000-0002-9292-7342
Abstract. The article discusses the use of neural networks in the activity of psychological forecasting of correction of convicts, theoretical justification of criteria for correction of convicts, as well as the introduction of new diagnostic methods in psychological research. The theoretical part of the article is based on the norms of the Penal Enforcement Code of the Russian Federation. The definition of correction given in it allows you to make a sample for research. The choice of the research method and its justification are due to the need to introduce new digital methods of work in accordance with the Concept of the development of the Information Security System until 2030. The empirical part describes the study of the criteria for the correction of convicts. Groups are created, in each of which a psychodiagnostic examination is carried out. Based on its results, an artificial neural network was trained and a tool for predicting the correction of convicts was created.
Keywords: psychological research, artificial neural network, correction criteria, convicts, psychological testing, psychological support
For citation
Shherbakov, G. V. & Kurdin, D. A. 2023, 'Forecasting the correction of convicts based on psychological criteria', Applied legal psychology, iss. 4(65), pp. 16-24, doi: 10.33463/2072-8336.2023.4(65).016-024.
Вопрос исправления осужденных является фундаментальным в уголовно-исполнительной системе. О критериях исправления осужденных указано в ст. 9 Уголовно-исполнительного кодекса Российской Федерации (далее - УИК РФ): исправление осужденных - это формирование у них уважительного отношения к человеку, обществу, труду, нормам, правилам и традициям человеческого общежития и стимулирование правопослушного поведения. Однако критерии исправления в данном пункте статьи УИК РФ достаточно трудно представить в виде измеряе-
мой величины. Уважительное отношение, правопослушное поведение и т. п. сложно перевести в цифровое представление, но потребность в этом с целью определения степени их критериев исправления, безусловно, существует. Все это очерчивает контуры проблемы, которую можно выразить следующим тезисом: «Насколько осужденный должен уважительно относиться к обществу, труду, нормам и т. п., чтобы считаться исправившимся». И еще: каковы критерии, по которым необходимо судить об исправлении осужденного, и вектор движения к этому.
00653017
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Согласно распоряжению Правительства РФ от 29 апреля 2021 г. № 1138-р «Об утверждении Концепции развития уголовно-исполнительной системы Российской Федерации на период до 2030 года» необходимы цифровая трансформация и научно-техническое развитие уголовно-исполнительной системы, а также создание и развитие систем сбора и обработки данных, принятие решений на основе результатов применения искусственного интеллекта в части расположения учреждений уголовно-исполнительной системы, обеспечения безопасности (в том числе с использованием видеоаналитики и прогнозирования поведения осужденных и сотрудников уголовно-исполнительной системы), контроля за лицами, в отношении которых применены меры пресечения, не связанные с заключением под стражу, и контроля за поведением освобожденных. Исходя из этого можно обозначить следующий вопрос: «Как технологии искусственного интеллекта могут быть использованы при оценке исправления осужденного, и на какие критерии должна опираться эта технология?».
Начнем со второй проблемы, а именно с технологии применения искусственного интеллекта.
Искусственный интеллект, точнее, работа по его созданию является основой развития цифровой реальности. Одним из разделов искусственного интеллекта является машинное обучение, а методом в машинном обучении - нейросети.
Развитие искусственных нейронных сетей (далее - иНС) объясняется их эффективностью. Применение обусловлено не только разработанным философским фундаментом, где теория ИНС выступает как одно из ответвлений механицизма -коннекционизм, но проведенными недавними успешными исследованиями в области психологии.
Зарубежными учеными-психологами активно используется такой метод интел-
лектуального анализа данных в психологии, как искусственные нейронные сети. М. Р. Яблонская, ученый из Университета г. Лодзь (Польша), в исследовании систематического воздействия социальных сетей на ситуацию сравнения использует инструменты цифровизации [8]. К. Гао, ученый из Профессионального колледжа провинции Цзянсу (КНР), проводя исследования с помощью интеллектуального анализа данных, пришел к выводу о том, что его использование в психологических экспериментах позволяет выявлять взаимосвязи между психологическими данными для определения психологического состояния испытуемых [7]. Х. Панпан из Университета Небраски (Линкольн, США) в своем диссертационном исследовании идентификации психологических логических паттернов использовал нейронные сети [9].
Отечественные ученые-психологи также развивают методы интеллектуального анализа данных. Так, Е. В. Славутская, В. С. Абруков и Л. А. Славутский использовал ИНС в качестве оценки латентных психологических связей [6], М. Г. Дор-рер - как инструмент исследования психологических свойств личности [2], Н. А. Зенкова - как метод исследования в психологической науке [3], А. А. Арзамасцев и П. А. Азарова разрабатывали модель профессиональных качеств студентов на основе результатов обучения ИНС [1]. Эти исследования обусловили использование нами ИНС.
Основным критерием применения указанного метода является наличие больших баз данных (в нашем случае (забегая вперед) - это психологические обследования осужденных), что позволяет нам применить его.
Видов ИНС и способов их использования достаточно много. Остановимся только на тех, которые применялись в исследовании. Пример организации многослойной ИНС на рисунке 1.
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Рис. 1. Многослойная ИНС: Х1 - входные данные, W1 - веса связей, Y1 - выходные данные
Х - это результаты числового выражения ответов на стимулы осужденных, Х1 -ответ на первый стимул, Хп- ответ на п-ый стимул, Y - принадлежность осужденного к группе, в нашем случае исправленных. Основным способом, благодаря которому ИНС приобретает «опыт» анализа предыдущих обследований, является определение веса ИНС. Вес нейрона - это числовое значение, преобразующее поступающий сигнал. Вес нейрона «принимает» решение о пропуске сигнала через себя, тем самым выступая в роли субъекта, на результатах чего основывается прогноз ИНС.
Необходимо отметить, что один из важнейших этапов разработки ИНС - ее обучение. Технически оно заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение.
ИНС создавалась как инструмент дифференцирования данных, поэтому обоснованность ее использования в нашей работе вполне логична.
Перед описанием исследования следует сказать о проблеме критериев исправления. Обратимся к ст. 79 УИК РФ: «...Лицо, лишенное свободы, подлежит условно-досрочному освобождению, если судом будет признано, что для своего исправления оно не нуждается в полном отбывании назначенного судом наказания...». Указанное возможно взять за критерий исправления. Допустим, что положительное решение суда об условно-досрочном освобождении есть факт исправления осужденного.
Подытожим теоретическую часть. На основе анализа источников нами был определен подходящий метод для нашего исследования - это ИНС. Далее остановимся на объекте исследования, то есть на факте условно-досрочного освобождения осужденного.
Исследование
В результате работы нами была сформирована общая выборка результатов психологического обследования осужденных численностью около 600 тыс. Внушительный объем данных был достигнут благодаря системе хранения баз данных в Межрегиональном отделе психологиче-
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
ской работы УФСИН России по Ярославской области.
Для обследования были выбраны следующие методики: «Опросник уровня агрессивности Басса - Дарки»; «Оценка склонности к риску (RSK)»; «Индивидуально-типологический опросник (ИТО)»; «Комплексное исследование личности осужденного (КИЛО)»; «Опросник Шми-шека»; «Склонность к отклоняющемуся поведению (СОП-М)».
Из большего количества обследований были выбраны результаты, равномерно представлявшие все возрастные группы и территориальные органы своих регионов. Осужденных выбирали из исправительных учреждений для неоднократно судимых. По всем методикам обследований их количество составило 19 296. Осужденные данной категории вошли в группу № 1.
Степень исправления осужденного учитывается при принятии судом решения об условно-досрочном освобождении в соответствии с подп. «а», «б», «в» ч. 7 ст. 79 УК РФ. Неисполнение обязательств по условно-досрочному освобождению есть факт неисправления осужденного. Такие неисправившиеся осужденные составили группу № 2.
Группа № 3 формировалась из освободившихся осужденных, в течение минимум 5 лет не совершивших повторного преступления.
В группу № 4 включены впервые осужденные и освободившиеся из исправительного учреждения в результате применения к ним ч. 1 ст. 79 УК РФ и в течение минимум 5 лет не совершившие повторного преступления.
Социально-демографические данные осужденных. Исследуемые осужденные представляли различные территориальные образования, возрастной диапазон -32-36 лет, мужского пола. Остальные социально-демографические характеристики в расчет не брались.
Для фиксации значимости различий в представленных группах использовался статистический критерий Краскела - Уол-лиса, который предназначен для проверки равенства средних нескольких выборок. По всем методикам хотя бы по одной из шкал подтверждается значимое различие между группами.
Для создания ИНС использовалось программное обеспечение, которое в состоянии оперировать и подбирать архитектуру ИНС под задачи психологии, - STATISTlCA 13.0. Этот продукт достаточно гибок и обладает «дружелюбным» интерфейсом [5]. Применялась также программа IBM SPSS Statistics 27.0, которая проста в управлении, с успехом конструирует ИНС по получаемым данным [4] и позволяет «доучивать» уже сконструированную ИНС, тем самым корректируя ее под изменяющуюся среду.
Опишем алгоритм исследования с помощью ИНС. ИНС обучалась за счет данных психологических обследований осужденных, которых в результате исследования мы сочли исправившимися, то есть группы № 3 и 4. В качестве антагонистов были выбраны группы № 1 и 2. Данные психологических обследований осужденных для обучения ИНС были приведены в следующий вид. Результаты ответов каждого осужденного были записаны в виде числового представления ответов от 1 до 2, если стимулы методики предполагали дихотомические ответы, и от 1 до крайнего значения ответа стимула по методике, если градация была больше, чем дихотомическая. К ним присоединились результаты набранных «сырых» баллов по шкалам методик. После необходимых преобразований было проведено обучение ИНС. ИНС, изображенная на рисунке 2, создавалась в программном комплексе IBM SPSS Statistics 27.0 с помощью данных психодиагностики осужденных, полученных с помощью теста КИЛО.
В обучение входила также тестовая проверка предсказанных результатов.
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Рис. 2. Фрагмент данных обучений ИНС (КИЛО) Полученные ИНС
Таблица
№ п/п Код методики Архитектура ИНС Процент предсказанных результатов
Количество нейронов на входящем слое Количество нейронов в промежуточном слое Количество нейронов на выходе
1 BD 87 15 2 83,3
2 RSK 26 11 2 61,7
3 ИТО 109 18 2 66,6
4 КИЛО 297 22 2 81,5
5 СЖО 26 8 2 59,0
6 Шмишек 100 17 2 73,1
7 СОП-М 105 19 2 82,6
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Количество ИНС соответствовало количеству используемых методик в исследовании. Полученные результаты обучения ИНС представлены в таблице.
Как видно из таблицы, архитектура ИНС различна, как и процент предсказанных значений принадлежности осужденных к группам. Наиболее высокими показателями обладает ИНС, обученная на результатах методики BD. ИНС, основанная на указанной методике, в 83,3 % случаев правильно классифицировала принадлежность осужденного к той или иной группе.
С целью проверки работоспособности в ИНС загружались данные психологических обследований осужденных, которые предоставлялись в случайном порядке из различных групп. Исследователю, в отличие от ИНС, заранее был известен результат принадлежности осужденного к группе. ИНС следовало отнести осужденного к той или иной группе. Другими словами, ИНС должна была дать прогноз о наличии критериев исправления у осужденного.
Выводы
В результате проведенного исследования был получен инструмент определения
исправления осужденного по психологическим данным.
Практическое применение ИНС, на наш взгляд, можно представить в виде алгоритма. Приведем примерный алгоритм действий психолога при работе с ИНС с целью выявления у осужденных психологических свойств, способствующих исправлению:
1) проведение психологического обследования по одной из трех названных методик. С целью повышения точности прогноза можно увеличить количество методик;
2) преобразование данных психологических обследований и их загрузка в ИНС. Выбор ИНС в соответствии с методиками, по которым было проведено обследование;
3) получение прогноза ИНС о принадлежности осужденного или осужденных к группе. Принадлежность к группе (в нашем исследовании) определяет наличие психологических свойств, способствующих исправлению;
4) работа с осужденным по коррекции и развитию свойств личности, способствующих исправлению, или подготовка осужденного к условно-досрочному освобождению.
Список источников
1. Арзамасцев А. А., Азарова П. А., Зенкова Н. А. Модель профессиональных и личностных качеств студентов университета на основе искусственной нейронной сети с адаптивной структурой // Вестник Тамбовского университета. Сер. Естественные и технические науки. 2007. № 5. С. 623-632.
2. Доррер М. Г. Психологическая интуиция искусственных нейронных сетей : дис. ... канд. тех. наук. Красноярск, 1998. 127 с.
3. Зенкова Н. А. Моделирование на основе искусственных нейронных сетей как метод исследования в психологической науке // Вестник Тамбовского университета. 2009. Т. 14, вып. 3. С. 577-590.
4. Официальный сайт программы IBM SPSS Statistics. URL: https://www.ibm.com/ products/spss-statistics (дата обращения: 17.04.2023).
5. Официальный сайт программы STATISTICA_Neural_Networks. URL: http://statsoft.com/products/STATlSTICA_Neural_Networks (дата обращения: 17.04.2023).
6. Славутская Е. В., Абруков В. С., Славутский Л. А. Простые нейросетевые алгоритмы для оценки латентных связей психологических характеристик младших подростков // Экспериментальная психология. 2019. № 2. С. 131-144.
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
7. Gao, K., Qiao, X. & Mei Z. 2019. 'Mei Data mining in psychological experiments: a research of the relationship between personality, resilience and investment behavior rigidity', International Conference on Applied Machine Learning and Data Science. Journal of Physics: Conference Series. URL: https://www.researchgate.net/ publication/338088570_Data_mining_in_psychological_experiments_a_research_of_ the_relationship_between_personality_resilience_and_investment_behavior_rigidity/ link/5dfd782fa6fdcc283731ab28/download (accessed 12.03. 2023).
8. Jablonska M. R., Zajdel R. Artificial neural networks for predicting social comparison effects among female Instagram users // PLoS One. 2020. № 15(2). URL: https:// journals.plos.org/plosone/article?id=10.1371/journal.pone.0229354 (accessed 12.05.2023).
9. Panpan, H. Identification of psychological patterns using neural networks approach: Dissertations. Nebraska, Lincoln, 2010. 54 p. URL: https://digitalcommons.unl.edu/cgi/ viewcontent.cgi?article=1011&context=elecengtheses (accessed 12.05.2023).
References
1. Arzamassev, A. A. & Azarova, P. A., Zenkova, N. A. 2007, 'A model of professional and personal qualities of university students based on an artificial neural network with an adaptive structure', Vestn. Tambov University. Series: Natural and technical sciences, iss. 5, pp. 623-632.
2. Dorrer, M. G. 1998, Psychological intuition of artificial neural networks : dis. ... candidate of Technical Sciences. Krasnoyarsk, 127 p.
3. Zenkova, N. A. 2009, 'Modeling based on artificial neural networks as a research method in psychological science', Vestn. Tambov University, iss. 3, pp. 577-590. Tambov.
4. The official website of the IBM SPSS Statistics program. URL: https://www.ibm. com/products/spss-statistics (accessed: 04/17/2023).
5. The official website of the STATISTICA_Neural_Networks program. URL: http:// statsoft.com/products/STATISTICA_Neural_Networks (accessed: 04/17/2023).
6. Slavutskaya, E. V. & Abrukov, V. S., Slavutsky, L. A. 2019, 'Simple neural network algorithms for assessing latent connections of psychological characteristics of younger adolescents', Experimental psychology, iss. 2. pp. 131-144.
7. Gao, K. & Qiao X., Mei, Z. 2019, 'Data mining in psychological experiments: a research of the relationship between personality, resilience and investment behavior rigidity, International Conference on Applied Machine Learning and Data Science', Journal of Physics: Conference Series. URL: https://www.researchgate.net/publication/338088570_Data_mining_ in_psychological_experiments_a_research_of_the_relationship_between_personality_ resilience_and_investment_behavior_rigidity/link/5dfd782fa6fdcc283731ab28/ download (accessed 12.03. 2020).
8. Jablonska, M. R. & Zajdel, R. 2020, 'Artificial neural networks for predicting social comparison effects among female Instagram users', PLoS One, iss. 15(2). URL: https:// journals.plos.org/plosone/article?id=10.1371/journal.pone.0229354 (accessed 12.05.2023).
9. Panpan, H. 2010, 'Identification of psychological patterns using neural networks approach: Dissertations', Nebraska, Lincoln, 54 p. URL: https://digitalcommons. unl.edu/cgi/viewcontent.cgi?article=1011&context=elecengtheses (accessed 12.05.2023).
МЕТОДОЛОГИЯ И ТЕОРИЯ ЮРИДИЧЕСКОЙ ПСИХОЛОГИИ
Информация об авторах
Г. В. Щербаков - кандидат психологических наук, доцент, начальник института;
Д. А. Курдин - старший преподаватель кафедры общей и педагогической психологии.
Information about the authors
G. V. Shherbakov - Candidate of Psychological Sciences, Associate Professor, head;
D. A. Kurdin - is a senior lecturer at the Department of General and Pedagogical Psychology.
Примечание
Содержание статьи соответствует научной специальности 5.3.9. Юридическая психология и психология безопасности.
Статья поступила в редакцию 20.09.2023; одобрена после рецензирования 25.09.2023; принята к публикации 30.09.2023.
The article was submitted 20.09.2023; approved after reviewing 25.09.2023; accepted for publication 30.09.2023.
